面向地下水储量模拟与预测的
地理时空协同深度学习模型 GCN-Transformer-BiLSTM

张瑞、成思远、李小娟 地球信息科学学报 · 2026 · 28(7): 1909-1925 研究区：京津冀平原区 地下水储量异常 GWSA / 多情景预测

本文面向京津冀平原区地下水储量模拟与预测问题，提出一种融合空间结构建模与时间序列建模的地理时空协同深度学习模型 GCN-Transformer-BiLSTM。模型以县域为节点构建空间图网络，引入水文地质分区约束刻画地下水系统空间自相关与异质性；在时间维度上结合 Transformer 的全局依赖建模能力与 BiLSTM 的局部动态捕捉能力，实现对地下水储量异常的高精度模拟，并进一步开展 2025—2035 年 SSP1、SSP2、SSP5 多情景预测。

地下水储量异常 GCN Transformer BiLSTM 地理时空协同 京津冀平原区
↓ 向下滚动阅读
01 · 研究背景与问题

地下水储量预测需要同时理解空间结构与时间动态

京津冀地区长期面临水资源短缺与地下水超采问题，地下水漏斗、地面沉降、地裂缝和海水入侵等生态环境风险突出。近年来南水北调和地下水超采治理缓解了下降趋势，但未来气候变化与区域发展仍将影响地下水恢复过程。已有 LSTM、Transformer 等模型多偏重时间序列建模，对地下水系统空间自相关性和水文地质异质性考虑不足。

水资源压力突出

京津冀平原区是人口、产业和农业活动高度集中的区域，地下水长期承担重要供水功能，超采问题曾十分严重。

空间异质性明显

研究区包含山前平原、中部平原和滨海平原，不同水文地质单元之间补给、径流和排泄条件差异明显。

时间过程复杂

地下水储量受降水、蒸散发、土地利用、人类取水、政策治理等多因素影响，既有长期趋势，也有季节性和短期波动。

2002-2024
历史数据时段
2025-2035
未来预测时段
155
县级分析单元
9.38×10⁴
研究区面积 km²
02 · 数据与模型框架

GCN 负责空间协同，Transformer 与 BiLSTM 负责时间协同

论文将地下水储量预测建模为地理时空协同学习问题：空间上以县域为节点构建图结构，时间上融合全局时序依赖与局部动态响应，输入包括 GWSA、气象趋势与周期分量、土地利用占比等多源变量。

D1
多源地学数据整合

数据包括 2002—2024 年地下水储量异常 GWSA、2002—2035 年气象数据与土地利用数据。其中 GWSA 来自国家青藏高原科学数据中心和 CSR RL06 数据，气象变量包括降水、气温和潜在蒸散发，土地利用变量包括耕地、建设用地、林草等占比。

GWSA GRACE CMIP6 Land Use
D2
县域尺度转换与 STL 分解

将栅格数据按县域行政边界进行面积加权平均，转化为 155 个县级单元时间序列。对降水、气温和 PET 进行 STL 季节性—趋势分解，提取趋势项与周期项，以降低噪声并增强时序特征表达。

Area-weighted Mean 155 Counties STL Trend / Cycle
S3
GCN 空间特征建模

以县域单元为节点，基于地理位置构建邻接矩阵，并引入山前平原、中部平原和滨海平原等水文地质分区约束。对跨分区节点连接施加惩罚系数，以表达不同地质单元之间水力联系差异。

Graph Convolution Spatial Autocorrelation Hydrogeological Constraint
T4
Transformer + BiLSTM 时间特征建模

Transformer 通过自注意力机制捕捉地下水变化的全局时序依赖和长期趋势，BiLSTM 通过双向循环结构补充局部动态响应能力，增强对强降水、季节性灌溉和短期治理影响等波动过程的刻画。

Self-Attention Long-term Dependency BiLSTM Local Dynamics

模型输入

  • 历史地下水储量异常 GWSA。
  • 降水、气温、PET 的趋势项与周期项。
  • 耕地、建设用地、林草等土地利用占比。
  • 县域空间邻接关系与水文地质分区信息。

模型输出与训练

  • 输出县域尺度 GWSA 预测值。
  • 隐藏层维度设置为 64。
  • 采用 Adam 优化器，学习率为 0.0005。
  • 引入早停策略，降低过拟合风险。
03 · 实验结果与验证

完整模型在精度、空间一致性和泛化验证中均表现最优

论文通过消融实验、对比实验和 2023—2024 年独立验证检验模型性能。结果表明，GCN、Transformer 与 BiLSTM 三个模块分别对空间建模、长期依赖建模和局部动态捕捉具有不可替代作用。

0.0746
完整模型 RMSE
0.0569
完整模型 MAE
7.18%
NRMSE
0.9675
空间相关系数
模型 测试集 RMSE 测试集 MAE NRMSE 说明
GCN-Transformer-BiLSTM 0.0746 0.0569 7.18% 空间结构、全局时序与局部动态协同，性能最优。
BiLSTM 0.1040 0.0851 11.19% 可捕捉局部动态，但缺乏空间建模与全局依赖表达。
GCN 0.1654 0.1331 17.78% 空间特征有效，但单独使用难以表达复杂时间过程。
GCN-BiLSTM 0.1081 0.0902 11.62% 空间与局部时序结合，但缺少 Transformer 的长期依赖建模。

消融实验发现

  • 去除 GCN 后 RMSE 从 0.0746 上升至 0.0830。
  • 空间特征建模使预测精度提升约 10.12%。
  • 仅 BiLSTM 或仅 Transformer 的误差均明显上升。
  • Transformer 与 BiLSTM 互补：前者擅长长期依赖，后者擅长局部动态。

独立验证结果

  • 利用未参与训练的 2023—2024 年数据进行独立验证。
  • 预测均值与实测值时间趋势高度吻合。
  • 空间相关系数平均达到 0.9675。
  • 模型能够准确捕捉县域尺度 GWSA 空间分布格局。
核心发现：地下水储量预测不能只依赖时间序列模型。引入 GCN 与水文地质分区约束后，模型能够显式学习空间自相关与分区异质性；再结合 Transformer 和 BiLSTM，才能同时刻画长期趋势与短期波动。
04 · 2025—2035 年多情景预测

未来地下水储量总体回升，但南部亏损与高排放风险仍需警惕

基于 SSP1、SSP2 和 SSP5 三类情景，论文预测 2025—2035 年京津冀平原区地下水储量变化。结果显示，未来 10 年地下水储量亏损整体有所缓解，但不同情景下恢复稳定性与空间分异差异显著。

SSP1：可持续发展情景

地下水储量恢复最稳定，GWSA 呈逐步回升趋势，表明低排放和可持续路径有利于地下水系统恢复。

SSP2：中间路径情景

地下水储量呈中等程度恢复，预测后期恢复速度有所加快，但整体稳定性弱于 SSP1。

SSP5：高排放情景

恢复程度最弱，并伴随阶段性波动与回落，预测末期与其他情景差值可达 50—65 mm。

空间分布特征

  • 各情景均表现出“南重北轻”的地下水亏损格局。
  • 衡水、邢台、邯郸等南部农业灌溉压力较大的区域仍是亏损集中区。
  • SSP5 情景下南部亏损程度明显增强，并向中部区域扩展。
  • 空间分异在高排放情景下更加剧烈。

政策与管理启示

  • 2020 年后 GWSA 回升趋势与南水北调及超采治理政策实施时间相吻合。
  • 未来即使整体恢复，南部地区仍需作为地下水保护重点。
  • 高排放情景将加剧水资源管理压力，应强化节水农业和地下水开采控制。
  • 可持续发展路径对地下水恢复具有明显正向意义。

本文贡献

  • 提出 GCN-Transformer-BiLSTM 地理时空协同深度学习模型。
  • 将水文地质分区约束嵌入 GCN 空间图结构。
  • 融合 Transformer 全局依赖与 BiLSTM 局部动态建模能力。
  • 实现京津冀平原区县域尺度地下水储量多情景预测。

局限与未来方向

  • 模型尚未直接输入具体地下水开采量，受限于数据获取难度。
  • 西南山前过渡带受侧向补给和人类活动影响，仍存在不确定性。
  • 未来可引入水量平衡方程等物理约束。
  • 可进一步构建“机理 + 数据”双驱动地下水预测模型。